Merhaba mertd9548, normal dağılımın teorik özellikleri çok kuvvetli olduğu için bütün testler normal dağılım varsayımı altında geliştiriliyor. Ancak normal dağılıma sahip olan kitlede, ilgili testler doğru sonuç verebiliyorlar. Ayrıca, Normal dağılan bir değişkenin x_karesi ne dağılır, 1/x'i ne dağılır bilirsiniz. Normal dağılan bir kitleden çekeceğiniz örneklemlerin dağılımı da normal dağılır. Çekilen örneklemlerin doğrusal kombinasyonları da normal dağılır. Koşullu olasılıkları da normal dağılır. Daha pek çok özellik yazılabilir. Merkezi limit teoremi (MLT), elinizdeki değişkenin dağılımı ne olursa olsun örneklem büyüklüğü arttıkça normal dağılıma yakınsamanın yolunu açar. Sanırım hazırlayacağım "normal dağılımın gücü" videosu ile daha kısa ve net bilgiler verebileceğim. İlginize teşekkür ederim.

​@@isteistatistik5668 teşekkürler

Çok yakında...

ARİMA modelleri ile ilgili videolar çok yakında gelecek sevgili Nur...

Merhaba, çalıştığımız değişken grupları her bir temel bileşende farklı ağırlıklarla yer alır. Bu değişkenler, bulundukları temel bileşenlerde ne kadar yüksek ağırlık alırlarsa, o temel bileşen tarafından daha iyi temsil edilirler. Bu özellik de, o temel bileşenin isimlendirilmesinde, o değişkenlerin daha baskın olduğunu gösterir. İsimlendirmenin kolay olması için her bir temel bileşende baskın değişkenlerin olması gerekir. Bir temel bileşende baskın gelen bir değişken, diğer temel bileşende baskın gelmeyebilir.

@@isteistatistik5668 yani simdi bunları herhangi bir bileşik gibi düsünürsek eğer, örneğin pc1 bileseni tarafından iyi temsil ediliyor olması onun dogruluunun pc1 de daha yüksek olması ama pc2 de daha az doğruluğunun olması mı (sanıyorum anlamadım🥹)

@@secilpektas5525 değişkenlerin doğrulukları değil burada kastedilen. Değişkenlerin temel bileşenler içerisinde yükler almaları. Ne kadar yüksek yük (ağırlık) alırlarsa, bulundukları temel bileşenin varyansı daha çok açıklayabilmesini sağlarlar ve araştırmacının sistemin varyansı konusunda bilgi kaybının az olmasını da sağlamış olurlar. PCA'dan önce çok değişkenli sistemin sahip olduğu varyansa, PCA'dan sonra daha az boyutta temel bileşenle ulaşılmasını sağlarlar. Ve her bir temel bileşen, değişkenlerin doğrusal bir denklemidir zaten. Örneğin birinci temel bileşende tüm değişkenlerin yüklerinin sıfır olduğunu varsayalım. Ağırlıkları sıfır olan o değişkenlerin temel bileşen tarafından temsil edilmediğini, o temel bileşenin çok boyutlu sistemin varyansını açıklamada başarısının olmadığını söyleyebiliriz ancak.

Merhaba Elçin Güneş. Güzel yorumunuz için teşekkür ederim. PCA Analizi, R Uygulamaları ile birlikte 12-18.videolarda ele alındı aslında. Sadece bir video daha ekleyeceğim. O da PCA'nın R çıktıları ile SPSS çıktılarını karşılaştırmamız için PCA'yı SPSS'te uygulayacağım bir video olacak. Daha sonra da R'da Faktör Analizi'ni ele alacağımız videolar gelecek. Faydalanan sayısı çok olur umarım. Takipte kalman dileğiyle.